HOG特征介绍/方向梯度直方图（Histogram of Oriented Gradient, HOG）

最新推荐文章于 2025-04-10 21:56:28 发布

陈洪伟

最新推荐文章于 2025-04-10 21:56:28 发布

阅读量854

点赞数

分类专栏： # 特征提取压缩量化比对方法

原文链接：https://blog.csdn.net/coming_is_winter/article/details/72850511

版权

特征提取压缩量化比对方法专栏收录该内容

11 篇文章

订阅专栏

HOG（Histogram of Oriented Gradients）特征是一种用于物体检测的描述子，尤其在行人检测中表现出色。其主要步骤包括图像灰度化、颜色空间标准化、计算梯度、细胞划分、直方图构造、块级特征组合，最后通过SVM进行分类学习。HOG特征能够捕捉图像轮廓，降低光照影响，是计算机视觉中的关键技术。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1.介绍

方向梯度直方图（Histogram of Oriented Gradient, HOG）特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。它通过计算和统计图像局部区域的梯度方向直方图来构成特征。Hog特征结合SVM分类器已经被广泛应用于图像识别中，尤其在行人检测中获得了极大的成功。需要提醒的是，HOG+SVM进行行人检测的方法是法国研究人员Dalal在2005的CVPR上提出的，而如今虽然有很多行人检测算法不断提出，但基本都是以HOG+SVM的思路为主。

2、HOG特征提取算法的实现过程

大概过程：HOG特征提取方法就是将一个image（你要检测的目标或者扫描窗口）：

1)灰度化（将图像看做一个x,y,z（灰度）的三维图像）；
2）采用Gamma校正法对输入图像进行颜色空间的标准化（归一化）；目的是调节图像的对比度，降低图像局部的阴影和光照变化所造成的影响，同时可以抑制噪音的干扰；
3）计算图像每个像素的梯度（包括大小和方向）；主要是为了捕获轮廓信息，同时进一步弱化光照的干扰。
4）将图像划分成小cells（例如66像素/cell）；
5）利用下图中的公式求出cell中每个像素的梯度值和方向，然后将梯度方向划分为9组，也就是直方图组数为9，每个直方图组中按照梯度大小相加，统计每个cell的梯度直方图（不同梯度的个数），即可形成每个cell的descriptor；

6）将每几个cell组成一个block（例如33个cell/block），一个block内所有cell的特征descriptor串联起来便得到该block的HOG特征descriptor。
7）将图像image内的所有block的HOG特征descriptor串联起来就可以得到该image（你要检测的目标）的HOG特征descriptor了。这个就是最终的可供分类使用的特征向量了。

8）以上工作为HOG提取的主要内容，最后得到对应的行人的由方向梯度直方图HOG提取到的特征向量，但是计算机还是不知道这个数据数组代表了什么意思，什么时候这组向量代表行人，什么时候代表其他东西，怎样train，最后通过不断地学习，而后在检测积累的基础上对对未知图像检测识别有没有行人呢？那就是后一步SVM要做的事了。